优化金融市场预测：因果驱动的特征筛选

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：
        这篇论文介绍了一个名为FinSen的新型金融数据集，它通过结合197个国家的经济金融新闻文章和股市数据，提供了一个时间跨度为15年的全面数据视角。利用这个数据集，研究者们采用因果验证的情感分析和长短期记忆（LSTM）模型来增强市场预测的准确性和可靠性。他们提出了一种新的损失函数——Focal Calibration Loss，显著降低了预期校准误差（ECE），使得预测结果与实际市场表现更加吻合，这对于金融领域中对预测准确性要求极高的投资决策具有重要意义。

1. 引言

        预测股市波动性对于投资策略、经济预测和风险管理实践的基础性作用。作者分析了市场的非线性和固有波动性，以及由于市场对最新事件和情绪的敏感性导致的预测准确性的挑战。此外，提到了传统模型主要依赖历史数据，在捕捉市场波动的多维动态方面的不足。最后，提出了一个关键的研究问题：新闻事件中的情感是否能够作为市场波动的可靠预测因素，并指出了公共数据集在提供精确时间信息方面的缺失，这增加了寻找对市场波动有重大影响的未知因素的复杂性。

2. 相关工作

2.1 与股票市场预测相关的情绪数据集

• Financial PhraseBank：包含金融新闻中的句子，分为正面、负面和中性情绪，专为金融语境设计。
• Reuters-21578 News Dataset：作为文本分类任务的基础基准，包含1987年路透社新闻专线的文档。
• StockTwits Dataset：包括来自StockTwits平台的消息